CN108717538A - 一种管状结构提取方法及装置 - Google Patents

Abstract

本发明实施例提供了一种管状结构提取方法及装置，涉及医学图像处理技术领域，能够基于连通域判断法和/或概率定位法，提取到较为精准而完整的管状结构。该方法包括在医学图像中，确定包含指定管状结构的区域；根据所述指定管状结构的特征，通过指定方法在所述区域中提取所述指定管状结构的M个种子点，M大于1；其中，所述指定方法至少包括连通域判断法和概率定位法中的一种；在所述M个种子点中，选取起始端种子点和终止端种子点；基于所述选取的起始端种子点和终止端种子点，提取所述指定管状结构。本发明实施例提供的技术方案适用于提取管状结构相关的医疗图像处理过程中。

Description

一种管状结构提取方法及装置

【技术领域】

本发明涉及医学图像处理技术领域，尤其涉及一种管状结构提取方法及装置。

【背景技术】

在血管类疾病，比如动脉瘤、血管狭窄等的诊断过程中，为了更好的观察血管，通常需要将血管图像与其他组织图像分开，也即提取血管。

目前，基于血管造影术(Computed Tomography Angiography，简称CTA)提取血管的技术中，头颈部的CTA血管提取是较具挑战的工作。因为颈内动脉穿过颅骨为大脑的前部和中部供血；并且左右椎动脉在一节节椎骨中穿行，最后合并成基底动脉穿过枕骨，为大脑后部供血。血管与周围骨头紧邻，空间位置错综复杂。

现有技术中，由于血管与周围骨头的紧密相邻，血管的空间位置错综复杂，通过区域生长、水平集等简单算法提取血管时，由于周围骨头对血管连通性的影响，以及血管与周围骨头灰度值的相似性，特别容易造成血管提取不完整的问题。

【发明内容】

有鉴于此，本发明实施例提供了一种管状结构提取方法及装置，基于管状结构的特征，由不同指定方法确定种子点，可以基于选取的种子点提取到精准而完整的管状结构。

一方面，本发明实施例提供一种管状结构提取方法，所述方法包括：

在医学图像中，确定包含指定管状结构的区域；

根据所述指定管状结构的特征，通过指定方法在所述区域中提取所述指定管状结构的M个种子点，M大于1；其中，所述指定方法至少包括连通域判断法和概率定位法中的一种；

在所述M个种子点中，选取起始端种子点和终止端种子点；

基于所述选取的起始端种子点和终止端种子点，提取所述指定管状结构。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在所述基于所述选取的起始端种子点和终止端种子点，提取所述指定管状结构之后，所述方法还包括：

确定所述M个种子点与提取出的指定管状结构的位置关系，并根据所述位置关系，判断指定管状结构是否提取正确；

当所述M个种子点与所述提取出的指定管状结构有指定位置关系时，确定指定管状结构提取正确；

当所述M个种子点与所述提取出的指定管状结构无指定位置关系时，确定指定管状结构提取错误；并在所述M个种子点中，重新选取起始端种子点和/或终止端种子点，基于所述重新选取的起始端种子点和/或终止端种子点，提取所述指定管状结构，再次确定所述M个种子点与提取出的指定管状结构的位置关系，直至确定指定管状结构提取正确。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述指定位置关系包括：至少预设数目的种子点位于指定管状结构内，或指定管状结构内至少预设比例的像素点位于指定种子点的指定一侧。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，当所述指定方法包括连通域判断法时，所述根据所述指定管状结构的特征，通过指定方法在所述区域中提取所述指定管状结构的M个种子点，包括：

根据指定组织的位置信息，确定指定层医学图像中指定管状结构的位置；

根据所述指定管状结构的位置，截取包含指定管状结构的指定大小边框，所述边框包含S层医学图像，S为大于0的整数；

获取所述边框内的管状结构增强图像；

基于预设阈值，在L层的管状结构增强图像中计算管状结构连通域，L为大于0且小于或等于S的整数；

判断所述管状结构连通域是否满足指定条件，所述指定条件包括所述管状结构连通域的层数为L层，所述管状结构连通域的CT值方差小于预设值、所述管状结构连通域上每层管状结构增强图像的管状结构连通域个数小于限值中的至少一种；

当所述管状结构连通域满足所述指定条件时，根据所述管状结构连通域确定所述M个种子点；

当所述管状结构连通域不满足所述指定条件时，减小预设阈值的值，再次在L层的管状结构增强图像中计算管状结构连通域，直至所述管状结构连通域满足所述指定条件或达到预设阈值的下限值。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在所述减小预设阈值的值，再次在L层的管状结构增强图像中计算管状结构连通域，直至达到预设阈值的下限值之后，所述方法还包括：

减小L的值，再次在L层的管状结构增强图像中计算管状结构连通域，直至所述管状结构连通域满足所述指定条件或达到L的下限值。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述获取所述边框内的管状结构增强图像，包括：

基于海森增强算法增强所述边框内指定CT值范围的像素点，得到管状结构海森增强图像。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，当所述方法包括概率定位法时，所述根据所述指定管状结构的特征，通过指定方法在所述区域中提取所述指定管状结构的M个种子点，包括：

通过随机概率提升森林方法确定指定组织的位置；

参照所述指定组织的位置，截取包含指定管状结构的指定大小边框；

通过预设随机概率提升森林模型对所述边框内的像素点进行处理，得到各个像素点的概率值；

根据所述得到的概率值，确定所述M个种子点。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述得到的概率值，确定所述M个种子点，包括：

若存在概率值大于指定阈值的像素点，将概率值大于指定阈值的指定像素点确定为所述M个种子点；

若不存在概率值大于指定阈值的像素点，确定所述边框内的像素点中不存在种子点。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在所述通过预设随机概率提升森林模型对所述边框内的像素点进行处理，得到各个像素点的概率值之前，所述方法还包括：确定所述边框内像素点的CT值；

所述通过预设随机概率提升森林模型对所述边框内的像素点进行处理，得到各个像素点的概率值，包括：通过预设随机概率提升森林模型对指定CT值范围内的像素点进行处理，得到各个像素点的概率值。

另一方面，本发明实施例提供一种管状结构提取装置，所述装置包括处理器和存储器，所述存储器用于存储指令，所述指令被所述处理器执行时，导致所述装置实现如上任一方面或可能的实现方式所实现的方法。

本发明实施例提供了一种管状结构提取方法及装置，根据指定管状结构的特征，由连通域判断法和/或概率定位法提取指定管状结构的多个种子点，可以精确地确定种子点。进而选取多个种子点中合适的起始端种子点和终止端种子点用以提取指定管状结构，最终可以提取到较为精准而完整的管状结构。本发明实施例提供的管状结构提取方法具有较高的准确性和鲁棒性。

【附图说明】

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例提供的一种管状结构提取的方法流程图；

图2是本发明实施例提供的另一种管状结构提取的方法流程图；

图3是本发明实施例提供的一种椎动脉血管种子点的示意图；

图4是本发明实施例提供的一种椎动脉血管示意图；

图5是本发明实施例提供的另一种管状结构提取的方法流程图；

图6是本发明实施例提供的一种定位椎动脉位置的示意图；

图7是本发明实施例提供的另一种管状结构提取的方法流程图；

图8是本发明实施例提供的一种通过海森增强算法增强椎动脉的结果图；

图9是本发明实施例提供的另一种管状结构提取的方法流程图；

图10是本发明实施例提供的一种通过随机概率提升森林定位第一节椎骨顶端位置的示意图；

图11是本发明实施例提供的另一种管状结构提取的方法流程图；

图12是本发明实施例提供的一种管状结构提取装置的组成框图；

图13是本发明实施例提供的一种管状结构提取实体装置的组成示意图。

【具体实施方式】

为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

应当理解，尽管在本发明实施例中可能采用术语第一、第二来描述提取单元，但这些提取单元不应限于这些术语。这些术语仅用来将提取单元彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一提取单元也可以被称为第二提取单元，类似地，第二提取单元也可以被称为第一提取单元。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

本发明实施例提供了一种管状结构提取方法，适用于提取管状结构相关的医疗图像处理过程中。

具体的，管状结构包括血管、淋巴管、神经组织等各类管状的生物体的结构组织。

如图1所示，所述方法包括：

101、在医学图像中，确定包含指定管状结构的区域。

其中，所述医学图像可以通过电子计算机断层扫描血管造影(ComputedTomography Angiography，CTA)，磁共振血管造影(Magnetic Resonance Angiography，MRA)等血管造影成像技术，以及MR非造影成像获取。所述医学图像可以是三维序列图像，其中包含若干个二维切片图像医学图像医学图像。

在一种具体的实现方式中，可以通过将医学图像与模板进行配准，确定包含指定管状结构的大致区域。

102、根据所述指定管状结构的特征，通过指定方法在所述区域中提取所述指定管状结构的M个种子点，M大于1；其中，所述指定方法至少包括连通域判断法和概率定位法中的一种。

其中，指定管状结构的特征可以包括管状结构自身的形状和位置，比如管状结构的复杂程度、弯曲程度、长度、横断面大小以及在造影图像中的位置等信息。

步骤102中，首先根据指定管状结构的特征，在连通域判断法和概率定位法中选择一种合适的方法，并进一步基于指定管状结构的特征，通过连通域判断法或概率定位法确定M个种子点。

具体的，连通域判断法指的是，基于预设阈值计算管状结构增强图像中的管状结构连通域，进而判断管状结构连通域是否满足多个指定条件，进而根据满足指定条件的管状结构连通域确定M个种子点。其中，预设阈值用于筛选指定管状结构连通域。这种基于预设阈值计算，并通过多条件筛选连通域的方法，可以准确确定指定管状结构的区域，进而确定更加精确的种子点。

概率定位法指的是，通过随机概率提升森林方法确定包含指定管状结构的边框，进而通过随机概率提升森林模型确定所述边框内像素点的概率值，最终根据像素点的概率值确定M个种子点。其中，像素点的概率值用于确定指定管状结构，概率值越高时，为指定管状结构的可能性越大。这种通过随机概率提升森林模型的方法，通过多次训练精准模型，可以更加精确的找到种子点。

103、在所述M个种子点中，选取起始端种子点和终止端种子点。

其中，起始端种子点是指定管状结构上端的种子点，终止端种子点是指定管状结构下端的种子点。例如，首次选取种子点时，起始端种子点选择最上端的种子点，终止端种子点选择最下端的种子点。

104、基于所述选取的起始端种子点和终止端种子点，提取所述指定管状结构。

在一种具体的实现方式中，在选取起始端种子点和终止端种子点后，基于Adaboost训练得到指定管状结构的Adaboost增强图像，并用Fasting Marchiing(中快进)算法在所述Adaboost增强图像上提取起始端种子点和终止端种子点间的中心线，进而可以通过梯度或拉普拉斯特征提取指定管状结构。

本发明实施例提供的管状结构提取方法，根据指定管状结构的特征，由连通域判断法和/或概率定位法提取指定管状结构的多个种子点，可以精确地确定种子点。进而选取多个种子点中合适的起始端种子点和终止端种子点用以提取指定管状结构，最终可以提取到较为精准而完整的管状结构。本发明实施例提供的管状结构提取方法具有较高的准确性和鲁棒性。

进一步来说，结合前述方法流程，在提取出指定管状结构之后，还需要判断管状结构是否提取正确。如果正确则可以确定管状结构；如果不正确，还可以校正种子点的选取，以提高管状结构的准确性。因此本发明实施例的另一种可能的实现方式还提供了以下方法流程，如图2所示，执行在步骤104之后，所述方法还包括：

105、确定所述M个种子点与提取出的指定管状结构的位置关系，并根据所述位置关系，判断指定管状结构是否提取正确。

106、当所述M个种子点与所述提取出的指定管状结构有指定位置关系时，确定指定管状结构提取正确。

其中，在管状结构没有弯曲或弯曲度比较小时，指定位置关系可以是至少预设数目的种子点位于指定管状结构内。比如：M个种子点中，有50％以上的种子点位于提取出的指定管状结构内，则可以认为提取正确。

而在管状结构弯曲度比较大时，指定位置关系可以是指定管状结构内至少预设比例(比如60％以上)的像素点位于指定种子点的指定一侧，并且指定种子点是位于指定管状结构内的一个种子点。例如图3所示，为提取的椎动脉血管种子点的示意图，椭圆内横线上方标识的为椎动脉血管大拐弯处，这里提取出血管比较容易直接穿过椎骨。图4椭圆内为基于图3中横线上方某个椎动脉血管种子点提取出的左椎动脉血管(左椎动脉血管穿过椎骨，是提取错误的示意)，要判断左椎动脉血管是否提取正确：首先提取出的左椎动脉血管至少穿过图3中横线上方的其中一个种子点，其次在大拐弯前后种子点间的血管像素点至少有60％(不限于此数值)以上在上述种子点的左侧(若为右椎动脉血管则为右侧)。若未满足上述两个条件(图4椭圆内可以看到左椎动脉血管的大部分像素点在种子点的右侧，所以是提取错误的)，则重新选取图3横线上方其他三个种子点中的任一个种子点，重新生长大拐弯处的左椎动脉血管。

107、当所述M个种子点与所述提取出的指定管状结构无指定位置关系时，确定指定管状结构提取错误；并在所述M个种子点中，重新选取起始端种子点和/或终止端种子点，基于所述重新选取的起始端种子点和/或终止端种子点，提取所述指定管状结构，再次确定所述M个种子点与提取出的指定管状结构的位置关系，直至确定指定管状结构提取正确。

需要说明的是，重新选取起始端种子点或终止端种子点时，通常起始端种子点在上次选取的基础上延管状结构径向方向向下选取一个，终止端种子点在上次选取的基础上延管状结构径向方向向上选取一个。

进一步说明的是，虽然是循环执行步骤103、104和105，以重新选取起始端种子点和/或终止端种子点，直至确定指定管状结构提取正确，但是通常情况下一次循环就可以提取出正确的管状结构。

进一步来说，结合前述方法流程，当所述指定方法为连通域判断法时，本发明实施例的另一种可能的实现方式，针对步骤102的实现过程还提供了以下具体方法流程，如图5所示，包括：

201、根据指定组织的位置信息，确定指定层医学图像中指定管状结构的位置。

其中，指定组织指的是指定管状结构周围或与指定管状结构相关的某个较稳定组织(比如骨头)，可以用于确定指定管状结构的大致位置。

在一个具体的实例中，若指定管状结构为椎动脉，则如图6所示，为基于椎骨位置，定位某一指定层(该层中椎动脉与椎骨较为分离)中的椎动脉位置的示意图，其中椭圆内较大圆形区域为椎骨，两侧的两个较小圆形区域为椎动脉。其中，图6中左右两图分别是两个不同受检者的示意图。

202、根据所述指定管状结构的位置，截取包含指定管状结构的指定大小边框，所述边框包含S层医学图像，S为大于0的整数。

在一种具体的实现方式中，可以根据指定管状结构的位置以及指定管状结构的长度特征，截取上下一定层数的边框。

203、获取所述边框内的管状结构增强图像。

具体的，可以通过海森Hessian增强算法或拟合圆滤波器算法增强边框内的医学图像，进而得到管状结构增强图像。具体增强过程是增强指定CT值范围的像素点，并且增强一定大小的直径范围。

其中，指定CT值范围的像素点为通常情况下的指定管状结构像素点。例如当指定管状结构为椎动脉时，CT值范围150至650的像素点为椎动脉。

204、基于预设阈值，在L层的管状结构增强图像中计算管状结构连通域，L为大于0且小于或等于S的整数。

若步骤201中指定层是指定管状结构的中间层，则一种优选的情况是S减去L的差值初步取为2，也即计算边框上下各减去一层管状结构增强图像后的管状结构连通域。

具体的，步骤204中，可以基于初步选取的预设阈值及层长度L，对管状结构增强图像二值化，进而计算得到管状结构连通域。

205、判断所述管状结构连通域是否满足指定条件，所述指定条件包括所述管状结构连通域的层数为L层，所述管状结构连通域的CT值方差小于预设值、所述管状结构连通域上每层管状结构增强图像的管状结构连通域个数小于限值中的至少一种。

其中，当管状结构连通域满足指定条件时，认为计算得到的管状结构连通域是较为准确的，所以为了提高准确性，可以判断管状结构连通域是否满足所有指定条件。

206、当所述管状结构连通域满足所述指定条件时，根据所述管状结构连通域确定所述M个种子点。

具体的，用户可以在满足指定条件的管状结构连通域中，根据提取需求选取M个种子点。比如对于椎动脉的中部，种子点选取为中间层；对于椎动脉的下部，种子点选取为最下层，即管状结构连通域靠近动脉弓的一层。

207、当所述管状结构连通域不满足所述指定条件时，减小预设阈值的值，再次在L层的管状结构增强图像中计算管状结构连通域，直至所述管状结构连通域满足所述指定条件或达到预设阈值的下限值。

当管状结构连通域不满足所述指定条件时，减小预设阈值的值，重复执行上述步骤204，直至得到满足指定条件的管状结构连通域。并且若达到预设阈值的下限值仍没有满足指定条件。可以基于对L的改变进一步循环，详见步骤208。

进一步来说，结合前述方法流程，若在步骤207减小预设阈值的值，循环计算管状结构连通域，直至达到预设阈值的下限值，管状结构连通域仍不满足指定条件。则为了得到满足指定条件的管状结构连通域，本发明实施例的另一种可能的实现方式，基于对管状结构增强图像层数的改变，还提供了以下循环计算管状结构连通域的过程，执行在步骤207之后，如图7所示，包括：

208、减小L的值，再次在L层的管状结构增强图像中计算管状结构连通域，直至所述管状结构连通域满足所述指定条件或达到L的下限值。

若步骤201中指定层是指定管状结构的中间层，则一种优选的情况是S减去L的差值再次取为20，三次取为40(L依次减小)…也即循环计算边框上下各减去10层、20层…管状结构增强图像后的管状结构连通域。

若在达到L值的下限后，管状结构连通域仍是不满足指定条件，则可能是指定管状结构未增强，或因疾病病人没有指定管状结构。

进一步来说，结合前述方法流程，基于Hessian增强算法，本发明实施例的另一种可能的实现方式，针对步骤203的实现还提供了以下具体实现方法，包括：

2031、基于海森增强算法增强所述边框内指定CT值范围的像素点，得到管状结构海森增强图像。

具体的，如图8所示，为通过Hessian增强算法增强椎动脉后的结果示意图，图8中椭圆内的两个圆形区域分别为左右椎动脉。

进一步来说，结合前述方法流程，当所述方法为概率定位法时，本发明实施例的另一种可能的实现方式，针对步骤102的实现过程还提供了以下具体方法流程，如图9所示，包括：

301、通过随机概率提升森林方法确定指定组织的位置。

其中，指定组织的解释详见步骤201，这里不再赘述。

具体的，若以指定管状结构为椎动脉为例，可以使用随机概率提升森林定位椎动脉造影图像中第一节椎骨顶端位置P(x,y,z)，如图10所示，箭头所指的黑色圆点即为位置P。并且需要说明的是，在通过随机概率提升森林定位得到位置点的概率大于一定值时，比如0.8，才认为定位正确，否则认为椎动脉造影图像中不包含第一节椎骨顶端位置。

302、参照所述指定组织的位置，截取包含指定管状结构的指定大小边框。

具体的，参照指定组织的位置，可以确定指定管状结构的大致所在区域，进而可以基于指定管状结构的本身特征截取一个指定大小边框。

承接步骤301中椎动脉的例子，步骤302的一种具体的实现方法可以是：以位置P(x,y,z)为中心，截取包含左右椎动脉的一个立方体边框。若立方体边框两个斜对角位置点分别命名为起始点和终止点，则一个具体示例中起始点坐标为P1(x-W,y-T,z-D)，终止点坐标为P2(x+W,y+T,z+D)，其中W＝15，T＝15，Z＝15。

303、通过预设随机概率提升森林模型对所述边框内的像素点进行处理，得到各个像素点的概率值。

其中，随机概率提升森林模型是通过对人工标定指定管状结构的样本进行多次学习得到的模型。

承接步骤302中椎动脉的例子，可以根据左右椎动脉的空间位置，将立方体边框平均分为左右两个子区域。在左右子区域内分别使用训练好的随机概率提升森林模型测试每一个像素点，得到各个像素点的概率值。

304、根据所述得到的概率值，确定所述M个种子点。

具体的，可以根据概率值的大小，确定M个种子点。

进一步来说，结合前述方法流程，通常可以将像素点的概率值与指定阈值进行对比，来确定种子点，因此本发明实施例的另一种可能的实现方式，针对步骤304的具体实现过程，还提供了以下方法流程，如图11所示，包括：

3041、若存在概率值大于指定阈值的像素点，将概率值大于指定阈值的指定像素点确定为所述M个种子点。

3042、若不存在概率值大于指定阈值的像素点，确定所述边框内的像素点中不存在种子点。

在一个具体的实现过程中，指定阈值不小于0.8时，才认为指定结构造影图像中边框内的像素点中存在种子点，否则认为不存在种子点。通常将概率值大于0.8的像素点中，概率值最大的像素点确定为种子点。

进一步来说，结合前述方法流程，为了减小各个像素点概率值的计算量，并且减小周围组织对提取指定管状结构种子点的影响，可以提前排除一些非指定管状结构的像素点。因此本发明实施例的另一种可能的实现方法还提供了以下方法流程，执行在步骤303之前，包括：

303’、确定所述边框内像素点的CT值。

具体的，可以计算边框内各个像素点的CT值，以通过CT阈值排除部分非指定管状结构的像素点(比如骨头的像素点)。

则步骤303具体执行为以下步骤：

3031、通过预设随机概率提升森林模型对指定CT值范围内的像素点进行处理，得到各个像素点的概率值。

其中，指定CT值范围内的像素点为指定管状结构像素点，仍以椎动脉为例，则CT值范围在50至800之间的像素点为椎动脉像素点。

步骤3031中，排除指定CT值范围外的像素点，只计算范围内的像素点，大大减小了计算量，且排除了提取指定管状结构种子点的干扰。

本发明实施例提供一种管状结构提取装置，适用于上述方法流程，如图12所示，所述装置包括：

确定单元41，用于在医学图像中，确定包含指定管状结构的区域。

第一提取单元42，用于根据所述指定管状结构的特征，通过指定方法在所述区域中提取所述指定管状结构的M个种子点，M大于1；其中，所述指定方法至少包括连通域判断法和概率定位法中的一种。

选取单元43，用于在所述M个种子点中，选取起始端种子点和终止端种子点。

第二提取单元44，用于基于所述选取的起始端种子点和终止端种子点，提取所述指定管状结构。

本发明实施例提供一种管状结构提取装置，如图13所示，所述装置包括处理器51和存储器52，所述存储器52用于存储指令，所述指令被所述处理器51执行时，导致所述装置实现如上任一可能的实现方式所实现的方法。

本发明实施例提供的管状结构提取装置，根据指定管状结构的特征，由连通域判断法和/或概率定位法提取指定管状结构的多个种子点，可以精确地确定种子点。进而选取多个种子点中合适的起始端种子点和终止端种子点用以提取指定管状结构，最终可以提取到较为精准而完整的管状结构。本发明实施例提供的管状结构提取方法具有较高的准确性和鲁棒性。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种管状结构提取方法，其特征在于，所述方法包括：

在医学图像中，确定包含指定管状结构的区域；

根据所述指定管状结构的特征，通过指定方法在所述区域中提取所述指定管状结构的M个种子点，M大于1；其中，所述指定方法至少包括连通域判断法和概率定位法中的一种；

在所述M个种子点中，选取起始端种子点和终止端种子点；

基于所述选取的起始端种子点和终止端种子点，提取所述指定管状结构。

2.根据权利要求1所述的方法，其特征在于，在所述基于所述选取的起始端种子点和终止端种子点，提取所述指定管状结构之后，所述方法还包括：

确定所述M个种子点与提取出的指定管状结构的位置关系，并根据所述位置关系，判断指定管状结构是否提取正确；

当所述M个种子点与所述提取出的指定管状结构有指定位置关系时，确定指定管状结构提取正确；

当所述M个种子点与所述提取出的指定管状结构无指定位置关系时，确定指定管状结构提取错误；并在所述M个种子点中，重新选取起始端种子点和/或终止端种子点，基于所述重新选取的起始端种子点和/或终止端种子点，提取所述指定管状结构，再次确定所述M个种子点与提取出的指定管状结构的位置关系，直至确定指定管状结构提取正确。

3.根据权利要求2所述的方法，其特征在于，所述指定位置关系包括：至少预设数目的种子点位于指定管状结构内，或指定管状结构内至少预设比例的像素点位于指定种子点的指定一侧。

4.根据权利要求1所述的方法，其特征在于，当所述指定方法包括连通域判断法时，所述根据所述指定管状结构的特征，通过指定方法在所述区域中提取所述指定管状结构的M个种子点，包括：

根据指定组织的位置信息，确定指定层医学图像中指定管状结构的位置；

根据所述指定管状结构的位置，截取包含指定管状结构的指定大小边框，所述边框包含S层医学图像，S为大于0的整数；

获取所述边框内的管状结构增强图像；

基于预设阈值，在L层的管状结构增强图像中计算管状结构连通域，L为大于0且小于或等于S的整数；

判断所述管状结构连通域是否满足指定条件，所述指定条件包括所述管状结构连通域的层数为L层，所述管状结构连通域的CT值方差小于预设值、所述管状结构连通域上每层管状结构增强图像的管状结构连通域个数小于限值中的至少一种；

当所述管状结构连通域满足所述指定条件时，根据所述管状结构连通域确定所述M个种子点；

当所述管状结构连通域不满足所述指定条件时，减小预设阈值的值，再次在L层的管状结构增强图像中计算管状结构连通域，直至所述管状结构连通域满足所述指定条件或达到预设阈值的下限值。

5.根据权利要求4所述的方法，其特征在于，在所述减小预设阈值的值，再次在L层的管状结构增强图像中计算管状结构连通域，直至达到预设阈值的下限值之后，所述方法还包括：

减小L的值，再次在L层的管状结构增强图像中计算管状结构连通域，直至所述管状结构连通域满足所述指定条件或达到L的下限值。

6.根据权利要求4所述的方法，其特征在于，所述获取所述边框内的管状结构增强图像，包括：

基于海森增强算法增强所述边框内指定CT值范围的像素点，得到管状结构海森增强图像。

7.根据权利要求1所述的方法，其特征在于，当所述方法包括概率定位法时，所述根据所述指定管状结构的特征，通过指定方法在所述区域中提取所述指定管状结构的M个种子点，包括：

通过随机概率提升森林方法确定指定组织的位置；

参照所述指定组织的位置，截取包含指定管状结构的指定大小边框；

通过预设随机概率提升森林模型对所述边框内的像素点进行处理，得到各个像素点的概率值；

根据所述得到的概率值，确定所述M个种子点。

8.根据权利要求7所述的方法，其特征在于，所述根据所述得到的概率值，确定所述M个种子点，包括：

若存在概率值大于指定阈值的像素点，将概率值大于指定阈值的指定像素点确定为所述M个种子点；

若不存在概率值大于指定阈值的像素点，确定所述边框内的像素点中不存在种子点。

9.根据权利要求7所述的方法，其特征在于，

在所述通过预设随机概率提升森林模型对所述边框内的像素点进行处理，得到各个像素点的概率值之前，所述方法还包括：确定所述边框内像素点的CT值；

所述通过预设随机概率提升森林模型对所述边框内的像素点进行处理，得到各个像素点的概率值，包括：通过预设随机概率提升森林模型对指定CT值范围内的像素点进行处理，得到各个像素点的概率值。

10.一种管状结构提取装置，其特征在于，所述装置包括处理器和存储器，所述存储器用于存储指令，所述指令被所述处理器执行时，导致所述装置实现如权利要求1至9任一项所述的方法。